DOI: 10.32627
https://jurnal.masoemuniversity.ac.id/index.php/aims e-ISSN: 2621-7279
107
Implementasi Data Mining Menggunakan Algoritma Apriori Untuk Menemukan Frequent Itemset
Penjualan Sneakers
Topan Setiawan
Sistem Informasi, Universitas Ma’soem, Indonesia topansetiawan@masoemuniversity.ac.id
Info Artikel ABSTRACT
Sejarah artikel : Diterima Agustus 2023 Direvisi September 2023 Disetujui September 2023 Diterbitkan September 2023
Every small or large company that wants to stay afloat in an increasingly fierce business competition requires the right sales strategy, including at the Yasa Collection Sport Store. One way is to perform data mining analysis on the sales transaction database using the a priori algorithm of the association rule method. This method makes it possible to find combinations of items that often (often) appear from a collection of items (itemset), so that store management knows market conditions, consumer tastes and sales patterns. Based on the results of research and data analysis conducted with a minimum support value of 0.33 and a minimum confidence value of 0.80, three association rules were obtained, in which the frequent itemset information that had been found using the a priori algorithm, could be utilized by the store management in determining sales strategies, such as discount promotion, packaging and stocking goods.
Keywords : Apriori Algorithm; Data Mining Association Rule;
Determining Sales Strategy.
ABSTRAK
Setiap perusahaan kecil maupun besar yang ingin tetap bertahan dalam persaingan bisnis yang semakin ketat memerlukan sebuah strategi penjualan yang tepat termasuk di antaranya Toko Yasa Collection Sport. Salah satu caranya yaitu dengan melakukan analisis data mining pada database transaksi penjualan menggunakan algoritma apriori metode aturan asosiasi. Metode ini memungkinkan untuk menemukan kombinasi item yang sering muncul (frequent) dari suatu kumpulan item (itemset), sehingga manajemen toko mengetahui kondisi pasar, selera konsumen maupun pola penjualan. Berdasarkan hasil penelitian dan analisis data yang telah dilakukan dengan nilai minimum support 0,33 dan nilai minimum confidence 0,80 diperoleh tiga aturan asosiasi, di mana informasi frequent itemset yang telah ditemukan dengan menggunakan algoritma apriori, dapat dimanfaatkan oleh pihak manajemen toko dalam menentukan strategi penjualan seperti melakukan promosi potongan harga, pemaketan maupun penyetokan barang.
Kata Kunci : Algoritma Apriori; Data Mining Aturan Asosiasi; Menentukan Strategi Penjualan.
PENDAHULUAN
Data merupakan sekumpulan fakta yang timbul karena adanya aktivitas, transaski maupun kegiatan organisasi pada lini manajemen tingkat bawah, tengah dan atas. Data dapat berupa angka, huruf, simbol, gambar, audio, video dan sebagainya yang didapatkan melalui pengamatan baik langsung maupun tidak langsung. Melalui data sebuah organisasi dapat menganalisis, menggambarkan, atau menjelaskan suatu keadaan[1]. Dalam konteks sistem informasi, data
108
merupakan bahan baku yang akan diolah menjadi informasi yang bermanfaat bagi organisasi, untuk kemudian digunakan sebagai dasar dalam pengambilan keputusan baik pada saat ini maupun masa mendatang[2]. Tanpa data maka informasi tidak bisa tercipta, sementara tanpa informasi maka data menjadi tidak berguna, sehingga dapat dikatakan bahwa data dan informasi memiliki kaitan yang sangat erat dan tidak dapat dipisahkan.
Dampak dari era perkembangan sistem informasi dan teknologi informasi yang semakin modern telah menyebabkan persaingan bisnis yang semakin hari semakin ketat. Para pelaku usaha baik perusahaan kecil maupun besar dituntut untuk mampu melakukan pengambilan keputusan secara cepat, tepat dan akurat.
Dengan kondisi tersebut maka sebuah perusahaan memerlukan sebuah sistem informasi yang memadai untuk mengelola data sesuai dengan kebutuhan[3].
Toko Yasa Collection Sport merupakan sebuah perusahaan yang bergerak di bidang penjualan sneakers sejak tahun 2018. Setiap harinya transaksi penjualan yang terjadi akan dijadikan sebagai laporan penjualan untuk kemudian digunakan sebagai bahan evaluasi setiap enam bulan. Evaluasi dilakukan dengan tujuan yaitu untuk menentukan strategi penjualan pada periode berikutnya. Meskipun telah menerapkan berbagai macam strategi, akan tetapi hingga saat ini pihak manajemen toko merasa bahwa strategi yang diterapkan belum mampu memberikan hasil penjualan yang optimal sesuai dengan yang diharapkan. Oleh karena itu maka diperlukan sebuah penelitian untuk menemukan frequent itemset, yaitu set аtаu kumpulan dаri beberapa item аtau komponen yang sering muncul secarа bersаma- sаma padа sebuah transaksi dengan memanfaatkan database penjualan[4]. Salah satu teknik analisis data yang dapat digunakan adalah algoritma apriori dengan menggunakan metode aturan assosiasi. Penelitian dengan kasus penjualan menggunakan algoritma apriori pernah dilakukan oleh beberapa peneliti sebelumnya, salah satunya yaitu oleh Nanda Nurisya Merliani, dkk. (2018) pada kasus Penjualan Menu Makanan Dan Minuman , di mana rule association yang terbentuk berupa rekomendasi untuk menambahkan daftar menu yang dipaketkan, begitu juga dengan Syahdan dan Sindar (2022), yang melakukan penelitian Penjualan Produk pada Indomaret Galang Kota, di mana rule association yang terbentuk salah satunya yaitu perusahaan dapat mengetahui produk apa saja yang laku terjual, sehingga perusahaan dapat menyusun strategi penjualan untuk meningkatkan penjualan dengan membuat paket-paket produk yang berisi kombinasi dari produk-produk yang dijual[5][6].
Berdasarkan beberapa penelitian yang telah disebutkan maka metode algoritma apriori merupakan salah satu metode yang efektif digunakan untuk mengetahui kondisi pasar, selera konsumen maupun pola penjualan sehingga pihak manajemen Toko Yasa Collection Sport dapat menentukan strategi penjualan dengan lebih baik.
METODE
Metode diartikan sebagai langkah-langkah kerja yang perlu dilakukan agar penelitian lebih mudah dilakukan, dan merupakan panduan yang digunakan selama melakukan penelitian agar penelitian terarah dengan baik[7]. Adapun metode yang digunakan untuk menemukan frequent itemset penjualan sneakers ini
109
adalah algoritma apriori, di mana aturan asosiasi akan dibentuk berdasarkan frequent itemset yang memenuhi nilai minimum support 0,33 dan minimum confidence 0,80.
Algoritma apriori bekerja dengan pendekatan iteratif di mana k-itemset digunakan untuk mengeksplorasi (k+1)-itemset. Cara kerja dari algoritma apriori yang akan diimplementasikan pada penelitian ini adalah sebagai berikut[8][9]:
1. Menentukan database transaksi dan memilih empat data transaksi dengan frekuensi tertinggi untuk digunakan sebagai acuan 1-itemset.
2. 1-itemset kemudian dihitung nilai kemunculannya pada setiap transaksi. Item yang tidak memenuhi nilai minimum support 0,33 akan dieliminasi dan tidak digunakan dalam menentukan aturan asosiasi. Sementara 1-itemset yang memenuhi nilai minimum support 0,33 kemudian digunakan untuk menemukan 2-itemset, di mana calon kandidat 2-itemset ditentukan dengan cara saling memasangkan satu item dengan item lainnya sehingga didapatkan kombinasi yang memungkinkan untuk dua buah item.
3. 2-itemset kemudian dihitung nilai kemunculannya pada setiap transaksi. Item yang tidak memenuhi nilai minimum support 0,33 akan dieliminasi dan tidak digunakan dalam menentukan aturan asosiasi. Sementara 2-itemset yang memenuhi nilai minimum support 0,33 kemudian digunakan untuk menemukan 3-itemset, begitu seterusnya sampai tidak ada frequent (k+1)-itemset yang bisa ditemukan.
4. Setelah tidak ada lagi frequent itemset yang bisa ditemukan maka itemset yang telah memenuhi nilai minimum support 0,33 akan dihitung nilai condifence nya.
5. Itemset yang memenuhi nilai minimum support 0,33 dan nilai minimum confidence 0,80 akan dibentuk sebagai aturan asosiasi final.
Adapun bagan alir atau flowchart dari urutan langkah-langkah yang yang telah diuraikan di atas tampak sebagaimana pada gambar 1.
Data Mining
Data mining merupakan bidang keilmuan yang menyatukan teknik statistik, matematika, kecedasaan buatan dan pengenalan pola untuk mengekstraksi, mengidentifikasi dan menggali informasi berharga yang tersembunyi pada berbagai database yang sangat besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui[10]. Dalam beberapa literatur, data mining juga disebut sebagai knowledge discovery in database (KDD), yaitu suatu proses yang dilakukan dalam mengumpulkan dan menggunakan data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar, di mana hasilnya berupa informasi yang dapat dijadikan sebagai dasar dalam pengambilan keputusan di masa depan[11].
110
k=k+1 Mulai
Import Database
Pilih empat data transaksi dengan frekuensi tertinggi
Hitung nilai support
Minimum Support
>= 0,33
Temukan it emset berikutnya
Eliminasi Itemset
YA
Itemset ditemukan?
YA
TIDAK
Hitung nilai confidence
TIDAK
Minimum Confidence
>= 0,8
Eliminasi Itemset
Bentuk At uran Asosiasi
Selesai
TIDAK
YA Normalisasi Data
Gambar 1. Flowchart Algoritma Apriori Algoritma Apriori
Algoritma apriori merupakan jenis aturan asosiasi pada data mining yang digunakan untuk menentukan pola frekuensi tinggi[12]. Algoritma ini menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Dalam algoritma apriori setiap kandidat pada itemset harus dihitung nilai kemunculannya pada setiap transaksi. Setiap kandidat itemset yang tidak memenuhi nilai minimum support akan dieliminasi dan tidak digunakan dalam menentukan aturan asosiasi. Aturan asosiasi sendiri akan dibentuk berdasarkan kandidat itemset yang memenuhi nilai minimal support dan minimal confidence. Support adalah nilai penunjang atau persentase kombinasi sebuah item dalam database[13], sementara confidence merupakan kuatnya relasi antar-item dalam aturan asosiasi. Metodologi dasar dalam analisis asosiasi dibagi ke dalam dua tahap, pertama menganalisis pola frekuensi tinggi dan kedua membentuk aturan asosiasi[14].
111
1. Analisis Pola Frekuensi Tinggi
Tahap ini bertujuan untuk mencari kombinasi item yang memenuhi nilai support dalam database. Nilai support dari sebuah item dapat diperoleh dengan menggunakan persamaan (1), sementara pada dua itemset atau lebih dapat diperoleh dengan persamaan (2) sebagai berikut :
Support (A) =∑Transaksi mengandung A
∑Transaksi (1)
Support (A, B) =∑Transaksi mengandung A dan B
∑Transaksi (2)
2. Pembentukkan Aturan Assosiasi
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi nilai minimum confidence dengan menggunakan persamaan (3) sebagai berikut :
Confidence P (B|A) =∑Transaksi mengandung A dan B
∑Transaksi mengandung A (3)
Dari proses pembentukkan aturan asosiasi maka akan diperoleh nilai confidence dari setiap itemset untuk kemudian ditentukan nilai minimum confidence nya, sehingga diperoleh aturan asosiasi final.
HASIL DAN PEMBAHASAN
Dalam penelitian ini penulis menganalisis dan mengelompokkan data transaksi penjualan sneakers dari Toko Yasa Collection Sport. Data yang penulis gunakan yaitu data transaksi penjualan selama bulan Januari sampai dengan Desember tahun 2022 dengan aturan asosiasi nilai minimum support 0,33 dan nilai minimum confidence 0,80.
Tabel 1. Data Primer Penelitian
ID Merek Sneakers Bulan Penjualan
Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des
S01 Athletic 11 4 5 6 2 20 4 11 5 1 13 19
S02 Authentic 4 3 24 11 26 2 3 4 15 11 8 34
S03 Canvas 8 9 4 9 18 5 29 20 29 19 5 31
S04 Dad 5 19 2 4 3 3 7 21 7 18 5 12
S05 High Top Basketball 3 7 6 7 20 15 11 14 18 1 8 15
S06 Knit 16 14 6 3 5 8 14 26 26 33 18 13
S07 Leather 3 1 8 14 2 5 9 6 7 5 6 25
S08 Pimsoll 4 3 3 3 3 3 6 3 3 8 22 17
S09 Retro Running 6 6 7 5 5 4 7 2 8 6 16 11
S10 Slip-on 2 1 7 4 3 2 3 6 8 17 13 9
S11 Textile Blend 2 3 15 4 3 3 5 8 3 12 14 7
S12 Velcro 7 11 10 3 6 35 16 2 4 24 21 13
Sumber: Toko Yasa Collection Sport
Berdasarkan data primer penelitian, maka empat transaksi penjualan sneakers dengan frekuensi tertinggi di setiap bulannya dikelompokkan sebagai data pola transaksi penjualan yang akan dianalisis menggunakan algoritma apriori[15],
112
sehingga didapatkan hasil sebagai berikut:
Tabel 2. Pola Transaksi Penjualan
No. Bulan Merek Sneakers dengan Frekuensi Penjualan Tertinggi Ke
1 2 3 4
1 Januari Knit Athletic Canvas Velcro
2 Februari Dad Knit Velcro Canvas
3 Maret Authentic Textile Blend Velcro Leather
4 April Leather Authentic Canvas High Top Basketball
5 Mei Authentic High Top Basketball Canvas Velcro 6 Juni Velcro Athletic High Top Basketball Knit
7 Juli Canvas Velcro Knit High Top Basketball
8 Agustus Knit Dad Canvas High Top Basketball
9 September Canvas Knit High Top Basketball Authentic
10 Oktober Knit Velcro Canvas Dad
11 November Pimsoll Velcro Knit Retro Running
12 Desember Authentic Canvas Leather Athletic
Setelah diketahui empat transaksi tertinggi maka langkah selanjutnya adalah melakukan normalisasi data ke dalam bentuk matrik tabel, di mana item yang muncul pada setiap bulan bernilai 1 sementara item yang tidak muncul bernilai 0.
Tabel 3. Matrik Transaksi Penjualan
No. Bulan ID Sneakers
S01 S02 S03 S04 S05 S06 S07 S08 S09 S10 S11 S12
1 Januari 1 0 1 0 0 1 0 0 0 0 0 1
2 Februari 0 0 1 1 0 1 0 0 0 0 0 1
3 Maret 0 1 0 0 0 0 1 0 0 0 1 1
4 April 0 1 1 0 1 0 1 0 0 0 0 0
5 Mei 0 1 1 0 1 0 0 0 0 0 0 1
6 Juni 1 0 0 0 1 1 0 0 0 0 0 1
7 Juli 0 0 1 0 1 1 0 0 0 0 0 1
8 Agustus 0 0 1 1 1 1 0 0 0 0 0 0
9 September 0 1 1 0 1 1 0 0 0 0 0 0
10 Oktober 0 0 1 1 0 1 0 0 0 0 0 1
11 November 0 0 0 0 0 1 0 1 1 0 0 1
12 Desember 1 1 1 0 0 0 1 0 0 0 0 0
Jumlah 3 5 9 3 6 8 3 1 1 0 1 8
Support 1-Itemset
Untuk menentukan support 1-itemset maka digunakan persamaan (1), di mana item yang tidak memenuhi nilai minimum support akan dieliminasi dan tidak digunakan dalam menentukan aturan asosiasi. Berdasarkan tabulasi data yang ada pada tabel 4, diketahui bahwa item yang memenuhi nilai minimum support sebanyak lima merek sneakers di antaranya: Authentic (0,42), Canvas (0,75), High Top Basketball (0,50), Knit (0,67) dan Velcro (0,67).
113
Tabel 4. Support 1-Itemset
ID Merek Sneakers ∑A / ∑Transaksi Support Status
S01 Athletic 3/12 0.25 Dieliminasi
S02 Authentic 5/12 0.42
S03 Canvas 9/12 0.75
S04 Dad 3/12 0.25 Dieliminasi
S05 High Top Basketball 6/12 0.50
S06 Knit 8/12 0.67
S07 Leather 3/12 0.25 Dieliminasi
S08 Pimsoll 1/12 0.08 Dieliminasi
S09 Retro Running 1/12 0.08 Dieliminasi
S10 Slip-on 0/12 0.00 Dieliminasi
S11 Textile Blend 1/12 0.08 Dieliminasi
S12 Velcro 8/12 0.67
Support 2-Itemset
Untuk menentukan support 2-itemset maka digunakan persamaan (2).
Adapun kombinasi itemset ditentukan dengan cara saling memasangkan satu item dengan item lainnya yang telah memenuhi nilai minimum support pada 1-itemset.
Kombinasi yang tidak memenuhi nilai minimum support akan dieliminasi dan tidak digunakan dalam menentukan aturan asosiasi.
Tabel 5. Support 2-Itemset ID Merek Sneakers ∑A dan B /
∑Transaksi Support Status
S02-S03 Authentic-Canvas 4/12 0.33
S02-S05 Authentic-High Top
Basketball 3/12 0.25 Dieliminasi
S02-S06 Authentic-Knit 1/12 0.08 Dieliminasi
S02-S12 Authentic-Velcro 2/12 0.17 Dieliminasi
S03-S05 Canvas-High Top
Basketball 5/12 0.42
S03-S06 Canvas-Knit 6/12 0.50
S03-S12 Canvas-Velcro 5/12 0.42
S05-S06 High Top Basketball-
Knit 4/12 0.33
S05-S12 High Top Basketball-
Velcro 3/12 0.25 Dieliminasi
S06-S12 Knit-Velcro 6/12 0.50
Berdasarkan tabulasi data yang ada pada tabel 5, diketahui item yang memenuhi nilai minimum support sebanyak enam kombinasi merek sneakers di antaranya: Authentic-Canvas (0,33), Canvas-High Top Basketball (0,42), Canvas-Knit (0,50), Canvas-Velcro (0,42), High Top Basketball-Knit (0,33), dan Knit-Velcro (0,50).
Support 3-Itemset
Sama halnya seperti support 2-itemset, maka untuk menentukan support 3- itemset juga digunakan persamaan (2), akan tetapi terdapat perbedaan pada aturan pemasangan item, di mana setiap item yang dipasangkan merupakan item yang memiliki kesamaan nilai pada item yang pertama.
114 Tabel 6. Support 3-Itemset
ID Merek Sneakers ∑A, B dan C /
∑Transaksi Support Status S03-S05-S06 Canvas-High Top
Basketball-Knit 3/12 0,25 Dieliminasi
S03-S05-S12 Canvas-High Top
Basketball-Velco 2/12 0,17 Dieliminasi
S03-S06-S12 Canvas-Knit-Velcro 4/12 0,33
Berdasarkan tabulasi data yang ada pada tabel 5, diketahui item yang memenuhi nilai minimum support hanya satu kombinasi merek sneakers yaitu:
Canvas-Knit-Velcro (0,33). Dengan demikian iterasi dihentikan karena tidak ada lagi frequent (k+1)-itemset yang bisa ditemukan.
Pembentukkan Aturan Asosiasi
Pembentukkan aturan asosiasi didasarkan pada kombinasi 2-itemset dan 3- itemset yang memenuhi nilai minimum support serta dicari dengan menggunakan persamaan (3). Tabel 7, menunjukkan confidence aturan asosiasi 2-itemset, sementara tabel 8, menunjukkan confidence aturan asosiasi 3-itemset. Itemset yang memenuhi nilai minimum support dan nilai minimum confidence merupakan kombinasi aturan asosiasi final atau yang terpilih.
Tabel 7. Aturan Asosiasi 2-Itemset
Aturan Asosiasi ∑A dan B /
∑A Confidence Status Jika membeli Authentic maka membeli Canvas 4/5 0.80 Terpilih Jika membeli Canvas maka membeli Authentic 4/9 0.44
Jika membeli Canvas maka membeli High Top
Basketball 5/9 0.56
Jika membeli High Top Basketball maka membeli
Canvas 5/6 0.83 Terpilih
Jika membeli Canvas maka membeli Knit 6/9 0.67
Jika membeli Knit maka membeli Canvas 6/8 0.75
Jika membeli Canvas maka membeli Velcro 5/9 0.56
Jika membeli Velcro maka membeli Canvas 5/8 0.63
Jika membeli High Top Basketball maka membeli
Knit 4/6 0.67
Jika membeli Knit maka membeli High Top
Basketball 4/8 0.50
Jika membeli Knit maka membeli Velcro 6/8 0.75
Jika membeli Velcro maka membeli Knit 6/8 0.75
Tabel 8. Aturan Asosiasi 3-Itemset Aturan Asosiasi ∑A, B dan C /
∑A dan B Confidence Status Jika membeli Canvas dan Knit maka membeli
Velcro 4/6 0.67
Jika membeli Canvas dan Velcro maka membeli
Knit 4/5 0.80 Terpilih
Jika membeli Knit dan Velcro maka membeli
Canvas 4/6 0.33
115
Dari pembentukkan aturan asosiasi, maka didapatkan tiga aturan asosiasi final yang memenuhi nilai minimum support dan minimum confidence, yaitu dua asosiasi pada 2-itemset dan satu asosiasi pada 3-itemset.
Pengujian Kombinasi
Pengujian kombinasi perlu dilakukan dengan tujuan untuk memastikan bahwa aturan asosiasi yang telah diperoleh melalui hasil perhitungan manual sesuai dengan hasil perhitungan komputer. Adapun salah satu tools yang dapat dimanfaatkan untuk pengujian kombinasi ini adalah Software Tanagra Versi 1.4.
Gambar 2. Pemindahan Atribut ke Kotak Input
Gambar 3. Penentuan Nilai Minimum Support
116
Gambar 4. Penentuan Nilai Minimum Confidence
Gambar 5. Aturan Asosiasi Final
Berdasarkan hasil pengujian dengan menggunakan tools Tanagra Versi 1.4, maka diperoleh informasi ‘Antecedent’ dan ‘Consequent’ yaitu berupa pernyataan sebab akibat. Informasi tersebut menunjukkan bahwa jika pelanggan membeli sneakers Canvas dan Velcro maka akan membeli Knit, yaitu sesuai dengan pembentukkan aturan asosiasi 3-itemset. Selain itu jika pelanggan membeli sneakers High Top Basketball maka akan membeli Canvas, dan jika pelanggan membeli sneakers Authentic maka akan membeli Canvas, yang mana ini sesuai dengan pembentukkan aturan asosiasi 2-itemset.
PENUTUP
Berdasarkan hasil penelitian yang telah dilakukan. Aturan asosiasi final yang diperolah dengan nilai minimum support 0,33 dan nilai minimum confidence 0,80 sebanyak tiga aturan asosiasi. Dengan demikian dapat disimpulkan bahwa data
117
mining menggunakan algoritma apriori dapat diimplementasikan untuk menemukan frequent itemset pada database penjualan sneakers. Informasi frequent itemset yang telah ditemukan selanjutnya dapat dimanfaatkan oleh pihak manajemen toko dalam menentukan strategi penjualan seperti melakukan promosi potongan harga, pemaketan maupun penyetokan barang.
DAFTAR PUSTAKA
[1] T. Prasetya and Dkk., “Analisis Data Transaksi Terhadap Pola Pembelian Konsumen Menggunakan Metode Algoritma Apriori,” INFORMATICS Educ.
Prof., vol. 6, no. 1, pp. 43–52, 2021.
[2] D. Listriani and Dkk., “Penerapan Metode Asosiasi Menggunakan Algoritma Apriori Pada Aplikasi Pola Belanja Konsumen (Studi Kasus Toko Buku Gramedia Bintaro),” J. Tek. Inform., vol. 9, no. 2, pp. 120–127, 2016, [Online].
Available:
http://journal.uinjkt.ac.id/index.php/ti/article/view/5602/3619
[3] M. Siregar and R. Yulia Hayuningtyas, “Sistem Informasi Penjualan Karya Seni Berbasis Website,” J. Infortech, vol. 4, no. 1, pp. 24–29, 2022, [Online].
Available: http://ejournal.bsi.ac.id/ejurnal/index.php/infortech24
[4] E. Alma’arif and dkk., “Implementasi Algoritma Apriori untuk Rekomendasi Kombinasi Produk Penjualan,” Citec J., vol. 7, no. 1, pp. 63–74, 2020, doi:
10.31937/ti.v12i1.1644.
[5] N. N. Merliani and Dkk., “Penerapan Algoritma Apriori Pada Transaksi Penjualan Untuk Rekomendasi Menu Makanan Dan Minuman,” J. Nas.
Teknol. dan Sist. Inf., vol. 8, no. 1, pp. 9–16, 2022, doi:
10.25077/teknosi.v8i1.2022.9-16.
[6] S. Al Syahdan and A. Sindar, “Data Mining Penjualan Produk Dengan Metode Apriori Pada Indomaret Galang Kota,” J. Nas. Komputasi dan Teknol.
Inf., vol. 1, no. 2, pp. 56–63, 2018, doi: 10.32672/jnkti.v1i2.771.
[7] H. Kusumo and Dkk., “Analisis Algoritma Apriori untuk Mendukung Strategi Promosi Perguruan Tinggi,” Walisongo J. Inf. Technol., vol. 1, no. 1, pp.
51–62, 2019, doi: 10.21580/wjit.2019.1.1.4000.
[8] A. W. O. Gama and dkk., “Implementasi Algoritma Apriori Untuk Menemukan Frequent Itemset Dalam Keranjang Belanja,” Teknol. Elektro, vol.
15, no. 2, pp. 27–32, 2016, doi: 10.24843/mite.1502.04.
[9] L. I. Prahartiwi and W. Dari, “Algoritma Apriori untuk Pencarian Frequent itemset dalam Association Rule Mining,” J. Penelit. Ilmu Komput. Sist. Embed.
Log., vol. 7, no. 2, pp. 143–152, 2019, doi: 10.33558/piksel.v7i2.1817.
[10] Aditya. and dkk., “Penerapan Algoritma Apriori Terhadap Data Penjualan di Toko Gudang BM,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 1, no. 1, pp. 1–5, 2016, doi: 10.31328/jointecs.v1i1.408.
[11] R. Saputra and A. J. P. Sibarani, “Implementasi Data Mining Menggunakan Algoritma Apriori Untuk Meningkatkan Pola Penjualan Obat,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 7, no. 2, pp. 262–276, 2020, doi:
10.35957/jatisi.v7i2.195.
[12] D. Rusdianto and Dkk., “Implementasi Data Mining Menggunakan Algoritma Apriori Untuk Mengetahui Pola Peminjaman Buku Di
118
Perpustakaan Universitas Bale Bandung,” J. Sist. Informasi, J-SIKA, vol. 2, no.
2, pp. 1–10, 2020, [Online]. Available:
https://ejournal.unibba.ac.id/index.php/j-sika/article/view/376/313 [13] Saefudin. and S. DN, “Penerapan Data Mining Dengan Metode Algoritma
Apriori Untuk Menentukan Pola Pembelian Ikan,” JSiI (Jurnal Sist. Informasi), vol. 6, no. 2, pp. 110–114, 2019, doi: 10.30656/jsii.v6i2.1587.
[14] P. N. Harahap and Sulindawaty, “Implementasi Data Mining Dalam Memprediksi Transaksi Penjualan Menggunakan Algoritma Apriori (Studi Kasus PT.Arma Anugerah Abadi Cabang Sei Rampah),” MATICS J. Ilmu Komput. dan Teknol. Informasi2, vol. 11, no. 2, pp. 46–50, 2019, doi:
10.18860/mat.v11i2.7821.
[15] E. D. Sikumbang, “Penerapan Data Mining Penjualan Sepatu Menggunakan Metode Algoritma Apriori,” J. Tek. Komput. AMIK BSI, vol. 4, no. 1, pp. 156–
161, 2018.
